Variáveis aleatórias contínuas - UFPRcursos.leg.ufpr.br/ce001/slides/06_Variaveis_Continuas.pdf · Variáveis aleatórias contínuas WagnerH.Bonat FernandoP.Mayer EliasT.Krainski

Variáveis aleatórias contínuas

Wagner H. BonatFernando P. MayerElias T. Krainski

Universidade Federal do ParanáDepartamento de Estatística

Laboratório de Estatística e Geoinformação

20/04/2018

WB, FM, EK ( LEG/DEST/UFPR ) VAs contínuas 2018/1 1 / 40


Sumário

1 Variáveis aleatórias contínuas

Introdução


2 Principais modelos contínuos

Modelo Uniforme contínuo

Modelo Exponencial

Modelo Normal

3 Exercícios


Variáveis aleatórias contínuas Introdução

Variáveis aleatórias

Em probabilidade, uma função X que associa a cada evento do espaçoamostral um número real X (ω) ∈ R, é denominada uma variável aleatória(VA).

Uma variável aleatória pode ser classificada como discreta ou contínua,dependendo do domínio dos valores de X .

Exemplo: o número de alunos em uma sala é uma variável aleatória(discreta), denotada por X (maiúsculo). Uma observação dessa variável édenotada pela respectiva letra minúscula, e.g., x = 50 alunos.

Em geral, denotamos a probabilidade de uma V.A. X assumir determinadovalor x como

P[X ] ou P[X = x ]



Distribuições de probabilidade

Existem diversos modelos probabilísticos que procuram descrever vários tiposde variáveis aleatórias: são as distribuições de probabilidade devariáveis aleatórias (discretas ou contínuas).

A distribuição de probabilidades de uma VA X é, portanto, uma descriçãodas probabilidades associadas com os possíveis valores de X . Os valores queX assume determinam o suporte (S) da VA.

Variáveis discretas → suporte em um conjunto de valoresenumeráveis (finitos ou infinitos)Variáveis contínuas → suporte em um conjunto não enumerável devalores



Distribuições de probabilidade

Denomina-se de distribuição de probabilidade de alguma variávelaleatória, a regra geral que define a

função de probabilidade (fp) (V.A.s discretas), ou afunção densidade de probabilidade (fdp) (V.A.s contínuas)

para a variável de interesse.

Existem muitas distribuições de probabilidade, mas algumas merecemdestaque por sua importância prática.

Estas distribuições também são chamadas de modelos probabilísticos.




Uma V.A. é classificada como contínua se assume valores em qualquerintervalo dos números reais, ou seja, um conjunto de valores não enumerável.Dessa forma, não é possível atribuir probabilidades para um ponto específico,apenas para intervalos da reta.

Exemplos:

Peso de animaisTempo de falha de um equipamento eletrônicoAltura da maré em uma hora específicaSalinidade da água do marRetorno financeiro de um investimento



Exemplo 6.1

Estudos anteriores revelam a existência de uma grande lençol de água nosubsolo de uma região. No entanto, sua profundidade ainda não foideterminada, sabendo-se apenas que o lençol pode estar situado em qualquerponto entre 20 e 100 metros.

Determine uma função para representar a variável X (profundidade dolençol de água).Calcule a probabilidade de encontar água em uma profundidade pelomenos igual a 25, mas inferior a 29 metros.


Variáveis aleatórias contínuas Variáveis aleatórias contínuas

Função densidade de probabilidade

Não podemos atribuir probabilidades à valores específicos, pois há umaquantidade não enumerável (infinita) de valores em um ponto.

Atribuimos probabilidades à intervalos de valores, por meio de uma função.Portanto, as probabilidades são representadas por áreas.

30 40 50 60 70

0.00

0.02

0.04

0.06

0.08

X

Den

sida

de




A função densidade de probabilidade (fdp) atribui probabilidades àintervalos de valores do tipo [a, b], e é definida por

P[a < x < b] =

∫ b

af (x)dx

com as seguintes propriedades:

i. É uma função não negativa

f (x) ≥ 0

ii. A área total sob a curva deve ser igual a 1∫ +∞

−∞f (x)dx = 1




Observações:

P[X = x ] = 0, portanto:

P[a ≤ X ≤ b] = P[a < X ≤ b] = P[a ≤ X < b] = P[a < X < b]

Qualquer função f (·) que seja não negativa e cuja área total sob acurva seja igual à unidade caracterizará uma VA contínua.f (x) não representa a probabilidade de ocorrência de algum evento. Aárea sob a curva entre dois pontos é que fornecerá a probabilidade.



Exemplo

Seja a função:

f (x) =

{32x

2, se − 1 ≤ x ≤ 10, caso contrário

Verifique se essa função é uma fdp.Calcule:

P[X > 0]P[X > 0, 5]P[−0, 5 ≤ X ≤ 0, 5]P[X < −2]P[X < 0, 5]P[X < 0 ∪ X > 0, 5]

(Ver também exemplos 6.2 e 6.3).WB, FM, EK ( LEG/DEST/UFPR ) VAs contínuas 2018/1 11 / 40


Medidas de posição para VAs contínuas

O valor esperado (ou média) da VA contínua X com função densidadef (x), é dado pela expressão:

E (X ) = µ =

∫ ∞−∞

x f (x)dx .

A mediana é o valor Md que tem a propriedade de

P(X ≥ Md) ≥ 0.5 e P(X ≤ Md) ≥ 0.5.

A moda é o valor Mo tal que,

f (Mo) = maxx

f (x).



Variância para VAs contínuas

Para uma VA X com densidade f (x), a variância é dada por

Var(X ) = σ2 =

∫ ∞−∞

(x − µ)2 f (x)dx .

Expressão alternativa

Var(X ) = σ2 = E (X 2)− E (X )2.

ondeE (X 2) =

∫ ∞−∞

x2 f (x)dx .



Exemplo

Seja a função:

f (x) =

{32x

2, se − 1 ≤ x ≤ 10, caso contrário

Calcule E (X ), Var(X ), DP(X ).


Principais modelos contínuos

Sumário


Introdução




Modelo Exponencial

Modelo Normal

3 Exercícios


Principais modelos contínuos Modelo Uniforme contínuo


Definição: uma VA X tem distribuição Uniforme contínua no intervalo[a, b], a < b, se sua função densidade de probabilidade é dada por

f (x) =

{1

b−a se a ≤ x ≤ b

0 caso contrário

Notação: X ∼ U[a, b]

Esperança e variância: E (X ) = a+b2 e Var(X ) = (b−a)2

12 .




0.0 0.2 0.4 0.6 0.8 1.0

0.0

0.2

0.4

0.6

0.8

1.0a = 0, b = 1

x

f(x)

−1.0 −0.5 0.0 0.5 1.0

0.0

0.2

0.4

0.6

0.8

1.0a = −1, b = 1

x

f(x)

10 12 14 16 18 20

0.00

0.05

0.10

0.15

0.20a = 10, b = 20

x

f(x)

−10 −5 0 5 10

0.00

0.02

0.04

0.06

0.08

0.10a = −10, b = 10

x

f(x)



Exemplo 6.5

Com o objetivo de verificar a resistência à pressão de água, os técnicos dequalidade de uma empresa inspecionam os tubos de PVC produzidos.

Os tudos inspecionados têm 6 metros de comprimento e são submetidos agrandes pressões até o aparecimento do primeiro vazamento, cuja distância auma das extremidades (fixada à priori) é anotada para fins de análise.

Escolhe-se um tubo ao acaso para ser inspecionado. Queremos calcular aprobabilidade de que o vazamento esteja, a no máximo 1 metro dasextremidades.


Principais modelos contínuos Modelo Exponencial

Modelo Exponencial

Definição: uma VA contínua X assumindo valores não negativos, segue omodelo exponencial com parâmetro α > 0 se sua densidade é dada por

f (x) =

{αe−αx se x ≥ 00 caso contrário

Notação: X ∼ Exp(α)

Esperança e variância: E (X ) = µ = 1α e Var(X ) = 1

α2 .

Obs.: P(a < X < b) =∫ ba αe

−αx dx = e−αa − e−αb.



Modelo Exponencial

0 5 10 15 20 25 30

0.00

0.05

0.10

0.15

0.20

α = 0.2

x

f(x)

0 5 10 15 20 25 30

0.0

0.1

0.2

0.3

0.4

0.5

α = 0.5

x

f(x)

0 5 10 15 20 25 30

0.0

0.2

0.4

0.6

0.8

1.0

α = 1

x

f(x)

0 5 10 15 20 25 30

0.0

0.5

1.0

1.5

2.0

α = 2

x

f(x)



Exemplo 6.6

Uma indústria fabrica lâmpadas especiais que ficam em operaçãocontinuamente. A empresa oferece a seus clientes a garantia dereposição, caso a lâmpada dure menos de 50 horas. A vida útil dessaslâmpadas é modelada através da distribuição Exponencial comparâmetro 1/8000. Determine a proporção de troca por defeito defabricação.



Exemplo 6.7

O intervalo de tempo, em minutos, entre emissões consecutivas de umafonte radioativa é uma variável aleatória com distribuição Exponencialde parâmetro α = 0, 2. Calcule a probabilidade de haver uma emissãoem um intervalo inferior a 2 minutos.


Principais modelos contínuos Modelo Normal

Modelo Normal

Definição: Dizemos que uma VA X segue o modelo normal se sua fdp é aseguinte

f (x) =1

σ√2π

exp

[−12

(x − µσ

)2], −∞ < x <∞

onde µ ∈ R é a média da população, σ ∈ R+ é o desvio-padrãopopulacional.

Notação: X ∼ N(µ, σ2)

Esperança e variância: E (X ) = µ e Var(X ) = σ2



Modelo Normal

20 40 60 80

0.00

0.02

0.04

0.06

0.08µ = 50, σ2 = 25

X

f(x)

20 40 60 80

0.00

0.01

0.02

0.03

0.04µ = 50, σ2 = 100

X

f(x)

70 80 90 100 110 120 130

0.00

0.02

0.04

0.06

0.08µ = 100, σ2 = 25

X

f(x)

170 180 190 200 210 220 230

0.00

0.02

0.04

0.06

0.08µ = 200, σ2 = 25

X

f(x)



Modelo Normal

Característcas da curva normal:

É simétrica em relação à µO ponto máximo (moda) de f (x) é o ponto x = µOs pontos de inflexão da função são µ− σ e µ+ σA área total sob a curva é 1 ou 100%A curva é assintótica em relação ao eixo x



Modelo Normal

Para qualquer VA normal X , valem as seguintes relações:

P[X > µ] = P[X < µ]

P[µ− σ < X < µ+ σ] u 0, 6827P[µ− 2σ < X < µ+ 2σ] u 0, 9545P[µ− 3σ < X < µ+ 3σ] u 0, 9973

Portanto, 6σ é frequentemente referida como a largura de uma distribuiçãonormal.

Métodos mais avançados de integração podem ser utilizados para mostrarque a área sob a função densidade de probabilidade normal de−∞ < x <∞ é igual a 1.



Modelo Normal

Para obter uma probabilidade do modelo normal, devemos calcular a áreaentre os pontos a e b, ou seja,

P[a < X < b] =

∫ b

a

1√2πσ

exp

[−12

(x − µσ

)2]dx

No entanto, essa função não possui forma fechada, e o cálculo deprobabilidades pode ser feito apenas por aproximações numéricas.

Para contornar esse problema, os valores de probabilidade são obtidos parauma distribuição normal padrão (Z ) com µ = 0 e σ2 = 1,

Z =X − µσ

∼ N(0, 1)

A vantagem é que podemos fazer uma única tabela com as integraisaproximadas de Z , ao invés de uma tabela para cada par (µ, σ2).



Modelo Normal

Se Z ∼ N(0, 1), então sua fdp é

f (z) =1√2π

exp

[−12(z)2

]Para se obter a probabilidade de Z estar entre a e b,

P[a < Z < b] =

∫ b

a

1√2π

exp

[−12(z)2

]dz

As integrais (áreas) para valores de Z entre 0,00 e 3,99 estão na tabela.Portanto, para qualquer valor de X entre a e b, podemos calcular aprobabilidade correspondente através da transformação,

P[a < X < b] = P

[a− µσ

< Z <b − µσ

]WB, FM, EK ( LEG/DEST/UFPR ) VAs contínuas 2018/1 28 / 40


Modelo Normal

70 80 90 100 110 120 130

0.00

0.06µ = 100, σ2 = 25

X

f(X

)

−6 −4 −2 0 2 4 6

Z



Modelo Normal

Exemplo de uso da tabela

Calcule as probabilidades (áreas):

P(0 < Z < 2)P(Z > 2)P(Z < −2)P(2, 0 < Z < 2, 5)P(−2, 61 < Z < 2, 43)P(Z > −1, 63)Qual é o valor de c tal que P(0 < Z < c) = 0, 4?Qual é o valor de d tal que P(Z > d) = 0, 8?



Exemplo 6.9

Doentes sofrendo de certa moléstia são submetidos a um tratamentointensivo cujo tempo de cura foi modelado por uma densidade Normal demédia 15 e desvio padrão 2 (em dias).

Calcule a proporção de pacientes que demorarão mais de 17 dias parase recuperar.Calcule a probabilidade um paciente selecionado ao acaso demorarmenos de 20 dias para se recuperar.Qual o tempo máximo necessário para a recuperação de 25% dospacientes?Se 100 pacientes forem escolhidos ao acaso, qual seria o númeroesperado de doentes curados em menos de 11 dias?



Normal como aproximação da binomial

A distribuição Normal é uma das mais importantes na Estatística:

Muitos fenômenos aleatórios se comportam próximos à essa distribuiçãoPode ser usada como aproximação para outras distribuições

Se X ∼ Bin(n, p) então E (X ) = np e Var(X ) = np(1− p).

Podemos aproximar a binomial pela normal, usando

Y ∼ N(µ = np, σ2 = np(1− p)),

em geral, quando np ≥ 5 e np(1− p) ≥ 5.



Exemplo 6.11

Estudo do Sindicato dos Bancários indica que cerca de 30% dos funcionáriosde banco têm problemas de estresse, provenientes das condições de trabalho.Numa amostra de 200 bancários, qual seria a probabilidade de pelo menos50 com essa doença?

Temos então X ∼ Bin(200, 0.3), e a probabilidade seria

P(X ≥ 50) =200∑k=50

(200k

)0.3k0.7200−k

que é difícil de calcular sem computador.



Exemplo 6.11

Estudo do Sindicato dos Bancários indica que cerca de 30% dos funcionáriosde banco têm problemas de estresse, provenientes das condições de trabalho.Numa amostra de 200 bancários, qual seria a probabilidade de pelo menos50 com essa doença?

Temos então X ∼ Bin(200, 0.3), e a probabilidade seria

P(X ≥ 50) =200∑k=50

(200k

)0.3k0.7200−k

que é difícil de calcular sem computador.



Exemplo 6.11

Mas E (X ) = np = 60 e Var(X ) = np(1− p) = 42. Assim, temosY ∼ N(60, 42), de modo que

P(X ≥ 50) ≈ P(Y ≥ 50− 1/2) = P

(Y − 60√

42≥ 49.5− 60√

42

)= P(Z ≥ −1.62) = 0.9474

o fator −1/2 é o fator de correção de continuidade

Usando o R:## Cálculo exato pela binomialpbinom(49, size = 200, prob = 0.3, lower.tail = FALSE)

# [1] 0.9494082

## Aproximação pela Normalpnorm(50-1/2, mean = 60, sd = sqrt(42), lower.tail = FALSE)

# [1] 0.9474037



Exemplo 6.11

Aproximação de X ∼ Bin(200, 0.3) com Y ∼ N(60, 42).

0 50 100 150 200

0.00

0.02

0.04

0.06

x

Den

sida

de



Combinação linear de Normais independentes

Se X1,X2, . . . ,Xn fomam uma sequência de variáveis aleatóriasindependentes, onde Xi ∼ N(µi , σ2

i ), e a1, a2, . . . , an são constantesquaisquer, então:

W =n∑

i=1

aiXi terá distribuição Normal com W ∼ N(µW , σ2W )

onde:

µW = E (n∑

i=1

aiXi ) =n∑

i=1

E (aiXi ) =n∑

i=1

aiE (Xi ) =n∑

i=1

aiµi

σ2W = Var(

n∑i=1

aiXi ) =n∑

i=1

Var(aiXi ) =n∑

i=1

a2i Var(Xi ) =

n∑i=1

a2i σ

2i



Exemplo 6.13

Uma corretora negocia títulos na Bolsa de Valores e utiliza um modeloprobabilístico para avaliar seus lucros. Suas aplicações financeiras de comprae venda atingem três áreas: agricultura, indústria e comércio. Admita que oseguinte modelo representa o comportamento do lucro diário da corretora(em milhares):

L = 2LA + 5LI + 3LC

onde LA, LI e LC representam, os lucros diários nos setores de agricultura,indústria e comércio.

As distribuições de probabilidades dessas variáveis aleatórias sãoLA ∼ N(3, 4), LI ∼ N(6, 9) e LC ∼ N(4, 16). Supondo independência entreos três setores, qual será a probabilidade de um lucro diário acima de 50 mil.



Exemplo 6.12

Um serviço de fiscalização é criado para averiguar se garrafas de um certorefrigerante contém, de fato, o volume especificado pelo fabricante. Paratanto, 10 garrafas do produto são compradas no varejo, em várias regiões dacidade. Cada uma dessas garrafas é esvaziada e o volume de seu conteúdo,que denotaremos por V é aferido.

Uma vez obtidos os 10 valores, a média aritmética M é calculada e, seM < 290 mililitros (ml), a companhia é multada. Estudos na linha deprodução do fabricante mostraram que variações sempre ocorrem, mesmo seas especificações forem seguidas.

Por essa razão, considera-se o volume do conteúdo das garrafas comoseguindo o modelo Normal, com média µ = 300 ml e desvio-padrão σ = 25ml. Gostaríamos de calcular qual é a probabilidade de que o fabricante sejamultado injustamente.


Exercícios

Sumário


Introdução




Modelo Exponencial

Modelo Normal

3 Exercícios


Exercícios

Exercícios recomendados

Seção 6.1 - 1, 2, 3, 4 e 5.Seção 6.2 - 1 a 9.


Documents

Variáveis aleatórias contínuas - UFPRcursos.leg.ufpr.br/ce001/slides/06_Variaveis_Continuas.pdf · Variáveis aleatórias contínuas WagnerH.Bonat FernandoP.Mayer EliasT.Krainski